Tensorflow有一些docs用于子类化（tf）Keras container和Model。
但是，尚不清楚将哪个用于“模块”或“块”（例如，总的来说是多层）。
由于从技术上讲是几个层，我认为子类Layer会欺骗，而子类Layer有用时，我不确定是否对这样做。
例如
Model哪个适合使用？
答案 0 :(得分：1)
最初，无需使用Keras进行任何细分。除非您有特定的原因（不是建立，训练，预测），否则您不会为Keras子类化。
使用Sequential（模型已经准备好，只需添加图层），或使用Model（创建带有图层的图形并最终调用Model(inputs, outputs)），都不需要子类化。
创建Sequential或Model的实例之后，您便拥有了一个完全定义的模型，可以在所有情况下使用。
该模型甚至可以用作其他模型的一部分，可以轻松访问其图层以获取中间输出并在图形中创建新分支。
因此，我完全看不出有任何Model子类的原因，除非您正在使用需要此子句的其他框架（但我不这么认为）。对于PyTorch用户而言，这似乎是有些东西（因为这种模型构建对于PyTorch很典型，因此为Module创建一个子类，并添加层和调用方法）。但是Pytorch在获得中间结果方面不像Keras那样容易。
使用Keras的主要优点正是这样：您可以轻松地从块和模型访问层，并从该点立即开始分支，而无需重建任何调用方法或在模型中添加任何额外的代码。因此，当您继承Model的子类时，您只是在击败Keras的目的，这使它变得更加困难。
您提到的文档说：
启用子类时，模型子类特别有用，因为可以强制性地编写前向遍历。
我真的不明白“必须”是什么意思，而且我不明白这比仅创建具有常规图层的模型会更容易。
文档中的另一句话：
关键点：为作业使用正确的API。尽管模型子类化提供了灵活性，但它付出了更大的复杂性并增加了用户出错的机会。 如果可能，请使用功能性API。
嗯...这总是有可能的。
在这里，可能有充分的理由这样做。这些原因是：
如果您不需要上面的“两项”，则无需为图层子类化。如果您只想不带权重的“自定义计算”，那么Lambda层就足够了。